[논문 리뷰] LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model

Muntasir Mamun, Md Ishtyaq Mahmud외 2명|arXiv (Cornell University)|2023. 04. 10.

Lung Cancer Diagnosis and TreatmentMedicine인용 수 3

한 줄 요약

이 논문은 CT 영상 이미지를 사용하여 조기 폐암 진료를 위한 맞춤형 컨볼루션 신경망(CNN) 모델인 LCDctCNN을 제안한다. 이 모델은 CT 영상 데이터셋에서 기준 모델인 Inception V3, Xception, ResNet-50보다 진단 성능이 뛰어나 92% 정확도, 98.21% AUC, 91.72% 재현율, 0.328 손실을 기록한다.

ABSTRACT

The most deadly and life-threatening disease in the world is lung cancer. Though early diagnosis and accurate treatment are necessary for lowering the lung cancer mortality rate. A computerized tomography (CT) scan-based image is one of the most effective imaging techniques for lung cancer detection using deep learning models. In this article, we proposed a deep learning model-based Convolutional Neural Network (CNN) framework for the early detection of lung cancer using CT scan images. We also have analyzed other models for instance Inception V3, Xception, and ResNet-50 models to compare with our proposed model. We compared our models with each other considering the metrics of accuracy, Area Under Curve (AUC), recall, and loss. After evaluating the model's performance, we observed that CNN outperformed other models and has been shown to be promising compared to traditional methods. It achieved an accuracy of 92%, AUC of 98.21%, recall of 91.72%, and loss of 0.328.

연구 동기 및 목표

• CT 영상 이미지를 사용하여 조기이고 정확한 폐암 진단을 위한 딥러닝 모델을 개발하기.
• 의료 영상에서 컨볼루션 신경망의 능력을 활용하여 전통적인 진단 방법을 개선하기.
• 기존의 인공지능 아키텍처인 Inception V3, Xception, ResNet-50와 같은 확립된 아키텍처와의 성능 비교하기.
• 정확도, AUC, 재현율, 손실 등의 표준 지표를 사용하여 모델의 효과성 평가하기.
• 폐암 선별 임상 적용을 위한 강력하고 고정밀도의 진단 도구 기여하기.

제안 방법

• 폐암을 CT 영상 이미지에서 분류하기 위해 특별히 설계된 맞춤형 CNN 아키텍처인 LCDctCNN을 개발하였다.
• 표준 데이터 증강 기법을 사용하여 일반화 능력을 향상시키기 위해 CT 영상 이미지 데이터셋을 기반으로 모델을 훈련 및 검증하였다.
• 핵심 딥러닝 지표인 정확도, ROC 곡선 아래 면적(AUC), 재현율, 손실을 사용하여 성능을 평가하였다.
• 동일한 데이터셋에서 미세조정된 전이학습 기반 모델인 Inception V3, Xception, ResNet-50와의 비교를 통해 성능을 분석하였다.
• 분류 성능 최적화를 위해 교차 엔트로피 손실을 사용한 확률적 경사 하강법을 사용하여 훈련을 수행하였다.
• 폐 CT 영상에서 계층적인 특징을 추출하기 위해 다수의 컨볼루션 및 풀링 레이어를 활용한 아키텍처를 설계하였다.

실험 결과

연구 질문

• RQ1 기존에 확립된 사전 훈련된 모델들과 비교해 볼 때, 맞춤형 CNN 모델이 CT 영상에서 폐암 검출에 있어 뛰어난 진단 성능을 달성할 수 있는가?
• RQ2 제안된 LCDctCNN 모델이 CT 영상 데이터셋에서 진단 정확도, AUC, 재현율, 손실은 각각 얼마인가?
• RQ3 정확도, AUC, 재현율, 손실 등의 주요 평가 지표에서 LCDctCNN의 성능은 Inception V3, Xception, ResNet-50와 비교해 어떻게 다른가?
• RQ4 제안된 CNN 모델은 조기 폐암 진단에서 더 뛰어난 일반화 능력과 견고성을 보여주는가?
• RQ5 딥러닝 모델은 CT 영상 기반 폐암 선별에서 거짓 음성 결과를 크게 줄일 수 있는가?

주요 결과

• LCDctCNN 모델은 폐암 CT 영상 이미지 데이터셋에서 92%의 분류 정확도를 기록하였다.
• 모델의 AUC는 98.21%로, 악성 종양과 비종양 사례 간의 우수한 분류 능력을 나타내었다.
• 재현율은 91.72%로 측정되어 양성 폐암 환자에서의 높은 감도를 보여주었다.
• 모델의 손실 값은 0.328로, 훈련 중 효과적인 최적화와 수렴을 의미하였다.
• LCDctCNN는 정확도, AUC, 재현율, 손실 등 모든 평가 지표에서 Inception V3, Xception, ResNet-50를 모두 앞서며 뛰어난 성능을 보였다.
• 결과적으로, 이 특정 진단 과제에 대해 맞춤형 CNN 아키텍처가 전이학습 기반 모델보다 더 효과적일 수 있음을 확인하였다.